基于改进蚁群算法对最短路径问题的分析与仿真

使用传统蚁群算法求解图的最短路径问题时,随着节点的增加会出现搜索速度变慢且易于陷入局部最优解.针对这个问题,提出一种改进的蚁群算法,通过引入搜索方向和搜索热区机制提高算法的搜索性能.仿真实验证明：改进的蚁群算法较传统的蚁群算法具有更高搜索速度且容易得到全局最优解.     

基于LMD改进GPR优化的网络流量预测

针对蚁群算法容易陷入局部最优、网络流量预测准确性不高的问题,提出一种基于局部均值分解(LMD)改进蚁群优化高斯过程回归(GPR)的预测算法。考虑到网络流量的复杂性,使用LMD将网络流量分解成多个相关的子序列;通过GPR对网络流量子序列进行建模分析;用蚁群算法优化超参数,引入视线角度参数控制蚂蚁搜索时的视线范围,提高蚂蚁的局部搜索能力;通过莱维飞行更新蚂蚁搜索的步长,提高蚁群算法搜索的全局性。实验表明,改进后的蚁群算法搜索到了更优的值,与原有GPR算法相比,LMD分解后改进蚁群优化GPR的算法来预测网络流量,更好地拟合了网络流量的走向,提高了预测的效果,对维护网络安全具有一定的作用。     

基于优化算子的快速碰撞检测算法

针对复杂人机交互实时性的要求,提出了一种基于优化算子的SIMD并行碰撞检测算法。引入了优化算子,将搜索空间限定在非均匀的局部极小区域,减少了蚁群的搜索时间。在多蚁群求解过程中,将子任务使用负载均衡策略分配到多核处理器的各个处理核心上并行执行,实验结果表明:与经典的I-COLLIDE、MPI及Pipelining等算法相比,本文提出的算法较好地解决了人机交互中的碰撞检测问题。     

带参数信息素的蚁群算法

针对蚁群算法搜索时间长、容易陷入局部最优以及参数选择难的缺点,提出了带参数信息素的蚁群算法.该算法使用新的信息素更新机制,使得蚂蚁具有更强的全局搜索能力;同时,算法引入参数信息索,使得蚂蚁能够按概率选择较合适的参数组合,在一定程度上解决了参数选择的困难.对旅行商问题的仿真结果表明,该算法是可行有效的.     

基于蚁群算法的智能交通最优路径研究

针对车辆智能交通最优路径问题,提出一种实时规划的蚁群算法。在该算法搜索过程中加入针对具体问题的局部搜索寻优算法,在启发函数中引入搜索方向,改进信息素更新策略,限制信息素轨迹量。利用智能交通道路模型对改进算法进行比较分析。实验结果表明,改进后的蚁群算法能够有效地解决车辆实时路径诱导问题,实现车辆实时路径诱导,具有良好的收敛性和寻优性。     

基于FA-IACS算法的车辆路径问题优化

针对传统蚁群系统算法在解决有容量约束的普适性车辆路径优化中易陷入局部最优和收敛速度慢等问题,提出了一种改进的蚁群系统算法.采用改进的距离启发函数因子调整蚂蚁状态转移概率,利用改进编码方式的萤火虫算法作为搜索机制,改善蚁群系统的全局搜索能力,应用信息素震荡程序探索新路径的信息素,避免陷入局部最优.结果表明,该算法提高了全局搜索能力,能够节约寻找最优路径的时间,加快收敛速度,具有更好的鲁棒性.     

一种求解连续优化的蚁群混合算法

针对蚁群优化算法和Alopex算法的特性，将Alopex算法嵌入到改进的蚁群优化算法中．提出一种求解连续空间优化问题的混合算法（ACOAL），ACOAL算法定义了新的蚁群信息素更新规则、蚁群在解空间的寻优方式和蚁群行进策略；同时，结合Alopex算法以加强搜索能力，该算法充分发挥了Alopex算法的快速搜索能力和蚁群算法寻优性质优良的特性，提高了算法的收敛速度，避免了优化算法陷入局部最优。     

基于FA-IACS算法的车辆路径问题优化

针对传统蚁群系统算法在解决有容量约束的普适性车辆路径优化中易陷入局部最优和收敛速度慢等问题,提出了一种改进的蚁群系统算法.采用改进的距离启发函数因子调整蚂蚁状态转移概率,利用改进编码方式的萤火虫算法作为搜索机制,改善蚁群系统的全局搜索能力,应用信息素震荡程序探索新路径的信息素,避免陷入局部最优.结果表明,该算法提高了全局搜索能力,能够节约寻找最优路径的时间,加快收敛速度,具有更好的鲁棒性.     

用改进蚁群算法求解分布式车间调度问题

为解决分布式制造环境下的复杂产品的调度问题,提出一种改进蚁群算法。将禁忌搜索算法与蚁群算法结合,弥补蚁群算法搜索时间长和易陷入局部最优等问题。以两个车间的分布式调度为例进行仿真研究,并与传统蚁群算法、改进遗传算法、显性基因遗传算法的仿真结果进行比较,实验表明该改进蚁群算法具有较好的收敛性和稳定性,收敛速度较快。     

改进蚁群算法在并联六自由度平台优化设计中的应用

蚁群算法在解决组合优化问题上有着良好的适应性,但直接应用于求解连续优化问题难以获得理想的效果．通过对蚁群算法中的全局搜索、局部搜索以及信息素更新规则等环节进行有效的改进,构成了可用于连续优化问题求解的改进蚁群算法．将该算法应用于以灵巧度为目标函数的并联六自由度平台结构设计问题中,通过与采用基本蚁群算法得到的优化结果进行比较,证实了改进蚁群算法具有较好的全局优化能力和较快的收敛速度,可以有效求解并联六自由度平台结构设计这一类连续优化问题．     

模拟退火算法求解指派问题新探

模拟退火算法是一种随机搜索算法,能渐进地收敛于全局最优解.指派问题是组合优化问题中的一种,可用模拟退火算法来解此问题.模拟退火算法解决指派问题时,需要考虑实现此算法的技术问题,例如解的形式、初始温度的计算等.实验结果表明,该方法能够以一定的概率跳出局部最优,从而实现全局寻优.     

基于KD45闭包的群组角色指派研究

通过KD45逻辑,完善了协作和冲突关系集,改进了群组角色指派模型;提出一种用以完善约束关系集的KD45逻辑闭包算法,解决了在信息不透明情况下获取协作与冲突约束的人机协同任务分配问题;并采用IBM ILOG CPLEX优化包(ILOG)进行了上万次不同规模下的仿真实验.实验结果表明,本文方法产生的群组角色指派约束关系集完...     

基于A*算法的2种任务-处理器分配改进算法

针对分布式计算中的任务-处理器分配问题,提出了2种基于A*算法的改进算法。通过对A*算法原理的分析,得到将A*算法应用于任务分配问题的搜索树模型,和通过将搜索树在处理单元之间尽可能均匀地进行划分和通过避免不必要的节点扩展来得到最优解;实验结果表明,提出的2种改进算法,相比于传统的A*算法,不仅能够通过减少搜索空间节省内存和减少任务执行时间,而且能够通过并行分配来提高算法执行时的加速性。     

量子遗传算法在目标分配上的应用

量子遗传算法是量子计算和遗传算法相结合的产物,量子遗传算法将量子比特和量子门表示引入到遗传算法中,具有比遗传算法更好的搜索效率和收敛性.目标分配问题是一种典型的NP难问题,传统的方法在求解此问题时很容易陷入局部最优.本文利用量子遗传算有效地解决了目标分配最优化的问题,数值模拟表明量子遗传算法在该类问题中具有效性和可行性.     

异步时序机状态分配的CAD

异步时序机状态分配的问题归结为对机内状态编码的算法以得到无临界竞争和经济的电路实现。本文采用划分结构的方法,在TRS—80 Ⅱ型微计算机上用BASIC语言作出分配算法程序设计。对于几十个单元的机器解算时间从几分钟到几十分钟。     

用加强学习方法解决基于神经网络的时序实时建模问题

提出了将基于神经网络的时序一步预测模型的实时建模预测问题归结为加强学习问题，从而提出用时差法和误差反向传播法分别解决时间信用赋值问题和结构信用赋值问题．实验结果表明，该方法可以提高预测精度．     

异构多核片上系统的帧任务节能分配算法

针对异构多核片上系统的高能耗问题,提出了一种对帧任务进行分配的高能效两级优化算法。算法将系统能耗最小化问题定义为非线性整数规划问题。第一级优化将问题进行松弛处理,求解得到任务分配矩阵;第二级优化采用带判决门限的取整函数更新分配矩阵,构造新的规划问题并求解;最后结合两级优化得出最终的任务分配矩阵。仿真结果表明,与部分启发式算法相比,该算法能耗降低了20%50%,接近理论最优能耗;与能耗接近的其他优化算法相比,求解时间减少了54%75%。     

具有时滞的线性系统的有限极点配置法

本文通过导入预测器,用比较直观的算法给出了有限极点配置法,并阐明了若系统是频谱可控的,则该算法是行之有效的。文中并给出了有限极点配置可能的必要且充分条件及构成预测器的算法.     

无线Mesh网络功率控制与信道分配联合优化

针对无线Mesh网络网关节点和网络链路承载的负载不均问题,择优选择网关节点,并设计链路权重,构建以网络加权吞吐量为优化目标的资源分配模型.在构建的资源分配模型下,提出一种基于Q学习和差分进化的联合功率控制与信道分配算法（QDJPCA）.该算法通过获取功率控制的反馈结果,采用基于多重变异和自适应交叉因子的差分进化算法进行信道分配;针对每次迭代产生的信道分配结果,采用基于状态聚类和状态修正的Q学习算法实现功率控制.NS-3仿真结果表明,QDJPCA能够有效求解所提资源分配模型,在优先保证网关负载均衡和高负载链路吞吐量性能的基础上提升网络整体性能.     

波长选路光网络的一种新的波长分配算法

研究了波长选路网络光路径层设计中的波长分配问题,给出了一种新的数学描述。结合波长选路网络的特点和路径图的概念提出了一种新的波长分配算法。通过对路径图的顶点着色问题的求解得到波长分配方案。